胎兒心電信號檢測算法的研究進展

郝婧宇，南格麗，吳水才

（北京工業(yè)大學環(huán)境與生命學部生物醫(yī)學工程系，北京100124）

0 引言

胎兒心電信號(fetal electrocardiogram，F(xiàn)ECG)是記錄胎兒心臟動作電位在傳導(dǎo)過程中圖形的變化，可反映胎兒在子宮內(nèi)的發(fā)育狀況和心臟活動的生理特征[1]。妊娠期間，孕婦的心電圖檢查可發(fā)現(xiàn)胎兒的異常狀況，通過采取有效措施可避免早產(chǎn)和妊娠意外的發(fā)生，保障母體和胎兒的安全[2]。在臨床上，評估胎兒發(fā)育正常與否，需要醫(yī)生對FECG的關(guān)鍵點以及關(guān)鍵區(qū)間進行分析，通過判斷RR間期得出胎心率(fetal heart rate，F(xiàn)HR)基線、變異性、加減速等特征參數(shù)，進而得出診斷結(jié)果與意見。然而FECG的采集過程經(jīng)常會受到各種噪聲的干擾，這些干擾導(dǎo)致心電信號(electrocardiogram，ECG)波形種類多、變化大，醫(yī)生難免會因經(jīng)驗知識和信號質(zhì)量問題導(dǎo)致漏檢、錯檢的發(fā)生。除此之外，目前的ECG檢測算法存在對波群定位不準確的情況，如果不能正確識別波形，誤導(dǎo)臨床處理，將會給母體和胎兒帶來巨大損失。因此FECG的檢測一直是醫(yī)學信號處理領(lǐng)域的研究熱點。FECG檢測首先需要對采集的母體和胎兒混合ECG進行預(yù)處理，隨后再對提取出的FECG進行檢測與識別。本文對FECG預(yù)處理方法進行簡單闡述，并對國內(nèi)外存在的FECG檢測算法進行詳細綜述與分析。

1 FECG預(yù)處理

FECG預(yù)處理一般是抑制或減弱在信號采集過程中引入的干擾噪聲，包括基線漂移、工頻干擾、肌電干擾等，這些噪聲的引入會對信號特征的識別產(chǎn)生干擾。在FECG檢測過程中，由于母體與胎兒的混合ECG頻譜在一定范圍內(nèi)有重合(如圖1所示)，因而對母體ECG的影響最為嚴重[3]。臨床表明，F(xiàn)ECG與母體ECG R波重疊發(fā)生的概率為15%～30%[3]。在濾除這些噪聲干擾時，F(xiàn)ECG的有效成分也可能被濾除，導(dǎo)致信號的重要片段丟失。如何在有效信號不損失的情況下濾除噪聲干擾是需要研究的一個重要內(nèi)容。

圖1 母體ECG與FECG頻譜圖[3]

近年來，隨著現(xiàn)代信號處理新方法的不斷提出，信號預(yù)處理方面的研究有了很大的進步。黃藝格等[4]采用基于小波變換(wavelet transform，WT)法的自適應(yīng)濾波器對母體和胎兒混合ECG進行白化和去均值處理后，利用基于負熵的快速固定點算法(fast independent component analysis，fastICA)分離混合ECG，再使用小波去噪去除信號中的噪聲。張淼等[5]采用集合經(jīng)驗?zāi)B(tài)分解(ensemble empirical mode decomposition，EEMD)法與準周期成分提取方法相結(jié)合的算法獲得ECG的本征模函數(shù)(intrinsic mode function，IMF)，判斷出含噪IMF的數(shù)量，再將各個通道信號相對應(yīng)的IMF進行組合，用準周期成分提取方法提取FECG的信息，消除母體噪聲，獲得純凈的FECG。Kaergaard等[6]考慮到經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition，EMD)法所存在的模態(tài)混疊效應(yīng)以及利用神經(jīng)網(wǎng)絡(luò)算法的高效去噪，采用EEMD法和自適應(yīng)相結(jié)合以及WT法和神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的方法，使得噪聲得到很好的抑制。Kaleem等[7]也通過臨床數(shù)據(jù)檢驗信噪比和均方誤差，比較了用于FECG提取的最小均方誤差自適應(yīng)濾波器和基于神經(jīng)網(wǎng)絡(luò)算法的自適應(yīng)濾波器，發(fā)現(xiàn)基于神經(jīng)網(wǎng)絡(luò)算法的自適應(yīng)濾波器濾除噪聲的性能更優(yōu)。

2 FECG檢測

當FECG預(yù)處理完成后可以獲得較為純凈的FECG，想要準確計算RR間期以及其他特征參數(shù)就需要對其波形特征進行識別與分析。FECG檢測是對P、QRS、T、U波的起點、峰值和終點的位置進行檢測。在這些波形中，QRS波群是最明顯的波群，一般包含大部分的心電特征參數(shù)。因而在特征參數(shù)檢測中，也是從QRS波群開始。首先對R波峰值進行檢測，再對QRS波群的起點和終點位置進行檢測。QRS波群起點和終點的位置不明顯，因此如何準確定位QRS波群起點和終點是FECG檢測算法亟須解決的問題之一。

QRS波群的檢測方法主要包括差分閾值法(defference threshold arithmetic，DTA)、WT法、EMD法、機器學習算法、多導(dǎo)聯(lián)融合檢測算法等，這些方法都是先經(jīng)過一系列變換和處理來突顯QRS波群、降低噪聲，然后利用閾值或其他方法進行波形檢測。

2.1 DTA

DTA是利用QRS波群的斜率變化來進行R波的定位。R波的位置就是一階差分過零點與二階差分極值點。在FECG檢測中，首先選取相對平穩(wěn)的波段，然后使用DTA對其進行一階、二階差分來完成R波定位。

Pan等[8]提出的Pan＆Tompkins算法(以下簡稱“PT算法”)是最經(jīng)典的閾值檢測方法。該算法通過設(shè)定可變閾值將ECG依次經(jīng)過帶通、差分、平方、積分等步驟，對QRS波群進行斜率、幅值的分析。于海蘭[9]采用Mexican-hat小波變換，在8尺度的小波域上檢測胎兒QRS波群，應(yīng)用閾值檢測法定位R波和平面幾何數(shù)學的方法定位Q波和S波。Zietek等[10]對FHR及宮縮曲線進行研究，在PT方法的基礎(chǔ)上設(shè)置一個可滑動窗口，通過檢測窗口內(nèi)R波的分布與R波波峰的距離獲得FHR與宮縮值的頻數(shù)分布，進而判斷該窗口是否存在宮縮，但該時間加窗法時延過長且效率低。針對這個問題，張仙偉等[11]提出基于加權(quán)平均的檢測算法，將窗內(nèi)自動加權(quán)平均且窗外指數(shù)加權(quán)平均修正，對窗內(nèi)的FHR加以限制，從而使輸出結(jié)果更加穩(wěn)定。

固定閾值的檢測會出現(xiàn)偏差，如果閾值太高，R波不容易被識別，如果閾值太低，會遺漏R波，而PT算法避免了這種問題，效果比固定閾值更好，抗干擾性更強，但這種傳統(tǒng)的閾值檢測法難以準確識別翻倍和減半的FHR。因而Zhou等[12]提出一種基于峰值估計和閾值測量的自相關(guān)峰值定位方法，通過建立自適應(yīng)算法和階段性循環(huán)平均幅度差函數(shù)模型識別胎兒QRS波群的分布，進而準確計算FHR，消除翻倍和減半的情況。田應(yīng)忠等[13]也提出一種FECG檢測方法，通過對信號中QRS波群進行自相關(guān)及乘積項計算，取自相關(guān)計算中的最大值為第一主峰值、第二大值為第二主峰值，當?shù)谝恢鞣逯禐榈诙鞣逯档谋稊?shù)時，用第一主峰對應(yīng)的心率值的最大乘積項除以第二主峰對應(yīng)的心率值的最大乘積項，得到的數(shù)值比率如果大于預(yù)定閾值，則第一主峰為所求的FHR，此方法能解決FHR減半和翻倍的弊端，而且改善了FHR計算延遲的問題。

DTA以原理簡單、速度快的優(yōu)點在心電監(jiān)護中得到較為廣泛的應(yīng)用，其對明顯的QRS波群定位準確度高，但是對于T波以及異常ECG的波群特征不能很好識別。除此之外，DTA在高噪聲干擾下檢測率較低，對于摻雜了偽差的數(shù)據(jù)漏檢率高。針對DTA的這些弊端，還需要對其進一步研究并改進。

2.2 WT法

WT法作為一種信號檢測技術(shù)，在信號奇異性檢測方面具有很大優(yōu)勢。WT法先將信號進行多尺度的小波分解，針對尺度分量設(shè)置合適的閾值，判斷各尺度分量上的模極大值，確定模極大值之間的過零點位置，然后經(jīng)過位置修正來識別ECG。ECG中QRS波群是典型的奇異信號，因而WT可以很好地對QRS波群進行識別。

1995年，Li等[14]首次將WT法用于ECG的檢測，但WT法在信號分解和重構(gòu)過程中極易產(chǎn)生不必要的頻率成分，使得ECG特征的識別不準確。隨后，Li等[14]又利用樣條小波作為小波函數(shù)，定位到信號的急劇變化點，采用模極大值法對ECG進行處理，在特征點的確定上比傳統(tǒng)小波更準確，但該算法的處理速度較慢，不能分析長時間的ECG數(shù)據(jù)。面對該問題，國內(nèi)外學者對小波函數(shù)的選擇和閾值的設(shè)定進行了廣泛研究，基于WT的優(yōu)化算法層出不窮。占海龍[15]通過對算法收斂速度和穩(wěn)態(tài)誤差的比較，確定最優(yōu)小波基函數(shù)和小波分解層數(shù)，借助小波基的多尺度分析在時、頻域上檢測FECG。Ghaffari等[16]提出一種采用幾何特征和小波變換相結(jié)合檢測FECG的方法，該方法可以高精度提取胎兒QRS波群，并且無需將FECG與母體ECG分離，但該種方法不能檢測與母體QRS波群重疊的FECG。針對這一問題，Almeida等[17]首先定位母體的ECG，然后在胎兒QRS波群中標記與母體心跳相關(guān)的信號奇點，合并到一個帶有后處理規(guī)則的單一注釋器中，最后計算胎兒RR間期和FHR。除此之外，還可以在檢測之前先對整個區(qū)間做一次循環(huán)，濾除掉無用的函數(shù)值，再運用二分法檢測，可有效地提高速度。

WT法提高了檢測的準確性，但算法較復(fù)雜，降低了檢測速度。DTA原理簡單，計算量小，但不能很好地控制高頻干擾。Elmansouri等[18]提出了一種將WT法和DTA相結(jié)合的算法，首先利用最優(yōu)奇異值分解法從單通道混合ECG中檢測胎兒QRS波群，該方法基于差分頻譜能量(差分頻譜能量序列表示2個相鄰奇異值之間的變化狀態(tài))，采用非抽樣WT法得到峰值位置的準確信息。與DTA相比，WT法的計算量較大，但檢測率較高，在一定程度上能夠解決DTA對高頻噪聲干擾不敏感的弊端。

2.3 EMD法

EMD法是分析非線性、非平穩(wěn)信號的有效方法，通過檢測R波波峰，得到RR間期的時間序列，然后對得到的FHR變化序列進行EMD處理，把復(fù)雜的信號自適應(yīng)地分解為有限的基本模式分量，然后對分量進行希爾伯特黃變換(Hilbert-Huang transform，HHT)，最后計算FHR的希爾伯特邊界譜在不同頻帶范圍內(nèi)的功率，建立一個定量測量的方法。

1998年，Huang等[19]提出了EMD法，并引入希爾伯特譜分析方法。徐雯[20]通過HHT對FHR變異進行分析，提出了基于EMD和HHT檢測FECG的R波波峰，進而計算出RR間期。由于通過RR間期計算得到的是非均勻的信號序列，若直接對其進行譜分析，會帶來頻譜噪聲干擾。因而，徐雯[20]又提出將FHR序列的橫坐標由心跳數(shù)改為時間，使信號頻譜的頻率軸由Hz來衡量，這樣信號的實際物理意義就更加確切。Wilson等[21]提出了一種魯棒希爾伯特變換結(jié)合獨立成分分析的方法檢測FECG，該方法可應(yīng)用于單個通道或一組通道導(dǎo)出的信號，在多通道數(shù)據(jù)的情況下，可以結(jié)合這些通道提高FECG數(shù)據(jù)的信噪比，該方法具有對胎兒的位置或運動不敏感的優(yōu)點。張淼等[5]提出一個基于EMD法和準周期成分提取方法的多通道FECG提取方法，首先，采用EMD法將各通道腹壁混合ECG分解為一系列IMF，消除IMF中母體ECG的成分，用準周期成分提取方法提取FECG的信息。最后，由提取的IMF重構(gòu)出FECG，完成FECG的檢測。

EMD法具有完全自適應(yīng)性，能夠根據(jù)信號的特點自適應(yīng)地產(chǎn)生“基”，但這樣的“基”沒有明確的解析表達式，需要人為去設(shè)定分解的總體平均次數(shù)，除此之外，還會產(chǎn)生模式混疊效應(yīng)。針對這些問題，研究者們相繼提出EEMD法、自適應(yīng)完備總體經(jīng)驗?zāi)Ｊ椒纸?complete ensemble empirical mode decomposition，CEEMD)法等算法。EEMD法與CEEMD法是對EMD法中模式混疊效應(yīng)的改進，通過加入幅值為零的白噪聲，使得信號在尺度上具有連續(xù)性。由于EMD法具有完全自適應(yīng)性的優(yōu)點，與其他算法相融合的新方法是未來的研究方向。

2.4 機器學習算法

機器學習算法是通過已知數(shù)據(jù)集對新數(shù)據(jù)進行判斷或預(yù)測，其目標是設(shè)計可以根據(jù)先驗知識和觀測數(shù)據(jù)不斷改進性能的算法。機器學習算法主要包括傳統(tǒng)的機器學習算法和基于深度學習的機器學習算法，可以從海量的數(shù)據(jù)中提取關(guān)鍵特征并進行識別，提升在特定任務(wù)上的性能，其憑借準確、高效的特點，在ECG檢測領(lǐng)域快速興起。

2.4.1 傳統(tǒng)的機器學習算法

傳統(tǒng)的機器學習算法包括特征提取和分類識別2個過程，主要有支持向量機(support vector machine，SVM)算法、遷移學習(transfer learning，TL)算法、最小二乘支持向量機(least squares support veotor machine，LS-SVM)算法、隨機森林(random forest，RF)算法、K最近鄰(K-nearest neighbor，KNN)算法等。近年來，針對這些算法的特點，國內(nèi)外學者在方法本身的基礎(chǔ)上不斷改進，取得了不錯的檢測效果。

SVM算法是定義在特征空間上的間隔最大的線性分類器，是對所給定的數(shù)據(jù)集進行隔離，其強大的數(shù)據(jù)挖掘能力在機器學習算法中具有很大的優(yōu)勢。Liao等[22]應(yīng)用WT法檢測母體QRS波群，用相干平均法構(gòu)造母體ECG并去除后，利用SVM算法從殘留信號中定位胎兒QRS波群，陽性預(yù)測值達89．60%。Warrick等[23]利用霍特林變換(Karhunen-Loève transform，KLT)與SVM算法結(jié)合的方法，從250 ms的心電片段中檢測母體和胎兒QRS波群的存在和缺失，結(jié)果表明，當胎兒QRS波群未疊加在母體QRS波群上，能被較好地檢測，而當胎兒QRS波群疊加在母體QRS波群上時，胎兒QRS波群檢測效果下降。Delgado等[24]通過結(jié)合WT法和SVM算法，應(yīng)用Haar WT法降維和特征提取，采用四分位間距和不替換采樣分別處理離群值和不平衡類問題，最后采用SVM算法進行測試，胎兒QRS波群的識別率為89．59%。為了提高檢測精度，Delgado等[25]在上述方法[24]的基礎(chǔ)上進行改進，構(gòu)建2個SVM分類器分別對無噪聲片段和有噪聲片段建模，識別率提高到90．95%。

葉明珠等[26]在檢測FECG時，引入TL算法，采用盲分割、插值法對截取的信號進行降噪預(yù)處理，采用廣義S變換捕捉信號的頻率特征，然后作為SVM輸入進行FECG的異常檢測，準確度為97．9%。引入TL模型后，模型的學習效率加快，收斂性能更好。

面對FECG復(fù)雜、多變的特性，SVM分類器運算時間過長，可能無法給出最優(yōu)解，LS-SVM算法改變了求解最優(yōu)解的方法，采用最小二乘線性系統(tǒng)作為損失函數(shù)，解決了該問題。張揚[27]對FECG提取時域、頻域和非線性特征等參數(shù)后，采用LS-SVM算法對其進行檢測，代替?zhèn)鹘y(tǒng)SVM算法的二次規(guī)劃方法，降低了計算復(fù)雜性。LS-SVM算法是目前醫(yī)學信號處理中常用且性能優(yōu)良的方法，適用于大樣本數(shù)據(jù)的檢測，但是會發(fā)生過擬合現(xiàn)象。

RF算法是一種基于決策樹的集成學習算法，可以很好地解決過擬合問題。當預(yù)測新樣本時，總輸出將是RF算法中每棵樹檢測結(jié)果和投票的最大值。黃立勤等[28]運用RF算法學習樣本特征的重要性分數(shù)，對數(shù)據(jù)降維與可視化后，利用RF分類器對FECG數(shù)據(jù)樣本進行分類。Zhong等[29]提出一個基于前綴樹的框架(QRStree)，用于直接從腹部混合ECG中檢測FECG，該框架的新穎之處在于利用FHR范圍來建立胎兒QRS波群之間的連接。RF算法可理解性較好，可平衡數(shù)據(jù)集的誤差，但設(shè)置參數(shù)較復(fù)雜，模型訓(xùn)練和預(yù)測過程時間較長。

KNN算法是最簡單的機器學習算法之一，判斷方法為：每個樣本都可以用它最接近的K個鄰居來代表。張揚[27]運用線性插值解決類不平衡的問題后，使用3個近鄰計算每個波形的信息，從原始數(shù)據(jù)集中選擇出良好的特征子集，提高了FECG檢測準確率。

以上檢測算法都存在共同的問題，需要訓(xùn)練大量的樣本，并進行額外的特征提取，步驟復(fù)雜且效率較低。因此，不少研究人員運用深度學習算法來解決各種復(fù)雜的信號異常問題。

2.4.2 基于深度學習的機器學習算法

深度學習網(wǎng)絡(luò)在提取高層次特征、表述特征能力上具有良好的性能，它將特征提取和分類識別2個過程一起執(zhí)行。最早的深度學習是運用神經(jīng)網(wǎng)絡(luò)來處理特征層。人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)是通過對樣本的學習訓(xùn)練，不斷改變網(wǎng)絡(luò)的拓撲結(jié)構(gòu)及連接權(quán)值，使得輸出值不斷地接近期望輸出值。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)相比ANN具有更好的形態(tài)特征提取能力，對信號細節(jié)的識別更有效。CNN的結(jié)構(gòu)如圖2所示[30]，通過卷積運算學習數(shù)據(jù)特征，按階層結(jié)構(gòu)對輸入信息進行特征選擇和信息過濾。

圖2 CNN的結(jié)構(gòu)圖[30]

Yilmaz[31]設(shè)計不同的ANN模型來檢測FECG，實驗發(fā)現(xiàn)，當多層前向神經(jīng)網(wǎng)絡(luò)由2個隱層和具有線性傳遞函數(shù)的輸出層神經(jīng)元組成時，檢測準確度最高。該算法避免了手動提取特征的步驟，但還需提高準確度。Li[32]將一維FHR作為輸入，通過不同時頻參數(shù)和不同分辨力對FHR進行處理，將輸出反饋給CNN進行檢測，模型使用3個卷積層和1個全連接層，檢測準確度明顯提高。Zhao等[33]也運用深度CNN檢測FECG，利用WT法得到時頻圖像后，經(jīng)過調(diào)整參數(shù)發(fā)現(xiàn)，當卷積核為8層、濾波器的數(shù)量為15時，可獲得最佳檢測結(jié)果。

對于FECG中母體ECG的干擾問題，Lee等[34]提出一種基于CNN并且可以不分離母體ECG就可檢測出胎兒QRS波群的算法，包括7個卷積層、2個完全連接層，能夠充分提取胎兒QRS波群的特征，但該種方法需要大量數(shù)據(jù)作為訓(xùn)練集，模型訓(xùn)練較復(fù)雜。

針對機器學習算法訓(xùn)練較復(fù)雜的特點，謝曉路等[35]通過最小化誤差函數(shù)構(gòu)造人工序列，將人工序列與腹部混合ECG作差，自適應(yīng)地濾除母體ECG，接著通過基于K均值聚類的胎兒R波尖峰檢測算法和精篩選算法提取胎兒的R波尖峰。該算法計算復(fù)雜度低，避免了對混合ECG建立復(fù)雜的模型。徐偉等[36]將二維CNN應(yīng)用于FECG檢測中，結(jié)合批量標準化和Dropout技術(shù)，提高了CNN的性能，最終在不去除母體ECG的基礎(chǔ)上使用CNN進行檢測，得到了較高的敏感度、陽性預(yù)測值和準確度。VO等[37]提出了一個純端到端深度學習模型來檢測胎兒QRS波群，該方法采用新穎的一維八度卷積(octave convolution，OctConv)來代替?zhèn)鹘y(tǒng)卷積，能在提升檢測效果的同時節(jié)約計算資源的消耗。此外，該模型運用殘差網(wǎng)絡(luò)架構(gòu)，通過增加相當?shù)纳疃葋硖岣邷蚀_度。除此之外，TL算法的出現(xiàn)也可以改善模型訓(xùn)練較復(fù)雜的問題。例如，Comert等[38]用短時傅里葉變換得到二維圖像后，引入TL算法并結(jié)合CNN來對FECG進行檢測。孫夢莉[39]在對FECG檢測時，也引入TL算法來縮短訓(xùn)練時間。TL算法的主要優(yōu)點是節(jié)省訓(xùn)練時間，在預(yù)先訓(xùn)練的CNN上進行特征提取是最簡單、最快的方法。

機器學習具有很強的自適應(yīng)能力及學習能力，檢測精度更高、魯棒性更好，但機器學習算法過度依賴數(shù)據(jù)集，需要較長的訓(xùn)練時間，且數(shù)據(jù)集的好壞會影響算法效率，這對高質(zhì)量的QRS波群數(shù)據(jù)集的建立提出了實質(zhì)性的要求。

2.5 多導(dǎo)聯(lián)融合檢測算法

單導(dǎo)聯(lián)檢測算法在近年來逐漸走向成熟，除了單導(dǎo)聯(lián)方法外，多導(dǎo)聯(lián)融合檢測算法可以聯(lián)合多個導(dǎo)聯(lián)的QRS波群信息提高結(jié)果的靈敏度與準確度。

多導(dǎo)聯(lián)融合檢測算法主要用于母體和胎兒ECG分離時母體的R波檢測。Varanini等[40]利用波群的偽周期性和時域特征，設(shè)計綜合這些特征的質(zhì)量指數(shù)，該方法首先查找最大母體質(zhì)量指數(shù)和母體QRS波群的線性組合，增強母體QRS波群，通過加權(quán)奇異值分解對母體心電分量逼近和去除，然后查找最大胎兒質(zhì)量指數(shù)和胎兒QRS波群的線性組合增強胎兒QRS波群并進行FECG檢測。Wilson等[21]在多通道數(shù)據(jù)的情況下，提出的魯棒希爾伯特變換結(jié)合獨立成分分析的方法可提高提取FECG數(shù)據(jù)的信噪比。

上述方法都是直接采用多導(dǎo)聯(lián)融合檢測算法，而當某個導(dǎo)聯(lián)ECG質(zhì)量高時，算法效率和檢測準確度就會降低。為解決這一問題，Ghaffari等[41]基于噪聲分布和胎兒R波波峰可見度對信道進行智能評分以找到最佳信道，該方法可對圖形結(jié)構(gòu)差異前向糾錯，并減少提取FHR所需的時間。Varady等[42]根據(jù)FECG的相關(guān)特性，提出一種雙通道采集裝置，使用一個通道傳感器采集環(huán)境噪聲，另一個通道采用聽診器結(jié)構(gòu)的腔體在孕婦腹部采集信號，然后運用帶通濾波器、WT以及互相關(guān)等方法對信號進行降噪等處理，最后計算出FHR。

使用多導(dǎo)聯(lián)融合檢測算法能提供更好的輸入信號，且組合使用2種不同的檢測方法可提高檢測結(jié)果的準確度，但有些胎兒的R波波峰受噪聲影響嚴重，即使進行融合決策，最終的檢測結(jié)果仍不理想。雖然該方法有一定的效果和前景，但是在實際應(yīng)用時，還是需要考慮加以改進，盡可能使用噪聲檢測算法來調(diào)整2種算法的最小閾值，避免噪聲干擾。

3 各種算法的優(yōu)缺點分析

胎兒FECG檢測算法中，WT法和EMD法為分析QRS波群這種非線性、非平穩(wěn)信號提供了有力方法，成為目前FECG分析領(lǐng)域的熱點。然而小波函數(shù)的選擇對小波分析波形有很大的影響。相對而言，EMD法的自適應(yīng)性更有利于FECG的檢測。但是EMD法在分解FECG時存在模態(tài)混疊現(xiàn)象以及端點震蕩效應(yīng)。EEMD法雖然解決了EMD法的模態(tài)混疊問題，但白噪聲的引入又產(chǎn)生了信號重構(gòu)誤差的問題。深度學習算法雖然準確度高，但需要對大量的模板進行訓(xùn)練，耗時較長，在實際應(yīng)用中有一定難度。各種檢測算法都存在其優(yōu)勢與不足，詳見表1。

表1 各FECG檢測算法的優(yōu)缺點分析

4 未來研究展望

目前，國內(nèi)外學者對FECG檢測的研究成果頗豐，如何設(shè)計更加先進、高效的FECG檢測算法是一直致力研究的方向，還需要進行大量的算法測試來解決檢測準確度低、模型訓(xùn)練時間長等現(xiàn)實問題。通過比較國內(nèi)外學者的研究，發(fā)現(xiàn)可以從以下幾個方面對算法進行改進：

(1)融合多種檢測算法。

每一種FECG檢測算法都有其優(yōu)點和局限性，一般而言，融合使用多種方法可以更好地識別信號中的有用信息。比如WT法具有良好的時、頻域特性，但算法較復(fù)雜，而DTA原理簡單、計算量小，但不能很好地控制高頻干擾，因而WT法和DTA相結(jié)合可以更好地實現(xiàn)FECG的特征提取。除此之外，EMD法具有完全自適應(yīng)性的優(yōu)點，與WT法相融合的新方法也具有好的發(fā)展前景。再比如針對機器學習中模型訓(xùn)練較復(fù)雜的特點，可以先采用離散WT法對信號預(yù)處理后，計算出頻域特征，再使用SVM算法或神經(jīng)網(wǎng)絡(luò)算法進行FECG的檢測識別。

(2)設(shè)計輕量型訓(xùn)練模型。

機器學習在FECG處理領(lǐng)域中占據(jù)著至關(guān)重要的作用，無論是應(yīng)用傳統(tǒng)的機器學習算法，還是應(yīng)用深度學習對目標函數(shù)進行擬合，都有不足之處。前者耗費成本過多，后者模型參數(shù)越多，訓(xùn)練所需數(shù)據(jù)量就越大，有過擬合的風險。

為解決此類問題，可以研究一種輕量級的網(wǎng)絡(luò)模型，具體可以采用：①卷積降維，在模型中添加一維卷積，降低輸入通道數(shù)，對卷積核個數(shù)和網(wǎng)絡(luò)層數(shù)進行參數(shù)配置與優(yōu)化，使得復(fù)雜度降低。②使用低維的卷積核區(qū)代替高維的卷積核。③在全連接層進行最大池化，減少運算量和參數(shù)量，使得運算復(fù)雜度降低。④特征層融合，分別通過傳統(tǒng)的機器學習和深度學習提取出不同的特征，然后按一定的規(guī)則進行特征融合。

(3)引入TL算法。

在深度學習中TL算法是在預(yù)先訓(xùn)練的CNN上進行特征提取。FECG數(shù)據(jù)集復(fù)雜、龐大，各個醫(yī)院檢測標準難以集中統(tǒng)一。TL算法可借助現(xiàn)有數(shù)據(jù)集對網(wǎng)絡(luò)進行源域訓(xùn)練，再將訓(xùn)練好的網(wǎng)絡(luò)模型遷移到目標域中。因而可以將深度學習與TL算法結(jié)合，通過TL算法對所傳輸?shù)臄?shù)據(jù)進行調(diào)整以適應(yīng)新的數(shù)據(jù)，再利用深度學習挖掘其特征。

(4)提高算法自學習能力。

現(xiàn)有的FECG檢測算法自學習能力不高，信號預(yù)處理及波形檢測識別算法的性能需要提升?？尚械慕鉀Q方法有：①在算法中加入自主學習過程，通過識別新的數(shù)據(jù)集來擴充自己的訓(xùn)練集，通過迭代增強算法的準確性與魯棒性。②可引入進化計算等優(yōu)化方法進行自優(yōu)化，提升對特定數(shù)據(jù)的識別。③可進行模糊計算，將人類的模糊推理融入算法的自學習過程中，優(yōu)化識別模型。

綜上所述，針對FECG檢測的算法仍需要進一步優(yōu)化改進，從而研究出FECG參數(shù)在產(chǎn)前的變化趨勢以及與新生兒預(yù)后健康的相關(guān)性，保障母體和胎兒安全。